[发明专利]基于多任务学习和层次分类的加密流量QoE检测方法及系统

说明书

本发明公开一种基于多任务学习和层次分类的加密流量QoE检测方法及系统，属于计算机软件技术领域，选择将视频流量随着时间达到本地的数据包的数量绘制成流量趋势图，通过对趋势图使用CNN进行自动特征提取来实现加密流量QoE指标的分类，同时利用多任务学习算法和层次分类，联合利用多个QoE指标互相辅助学习，从而可以自动识别出QoE指标中的隐式特征，达到更高的QoE指标分类的准确率，可以很好地应对时间和网络变化产生的流量特征变化，在多个不同的视频流量数据集下均取得了非常好的分类效果。

技术领域

本发明针对的是加密流量场景下的利用深度学习进行流量QoE检测的方法及系统，属于计算机软件技术领域。

背景技术

据CNNIC(中国互联网络信息中心)第46次中国互联网发展状况统计报告显示，截至2020年6月，我国网民规模达9.40亿，较2020年3月增长3625万，互联网普及率达67.0％，较2020年3月提升2.5个百分点。在这样的市场环境下，国内一度出现过300余家网络视频网站，经过这几年BAT巨头和资本的并购淘汰之后，如今只留下了10家左右有规模的视频网站。

在如此激烈的竞争格局下，无论是业界还是学界都清楚地意识到，传统的网络性能指标已不足以评判用户对服务的满意程度，而由ITU-T定义的用户体验质量(QoE)则成为了被广泛采用的评价指标，它代表了一个应用或一项服务的整体可接受性，由终端用户的主观感知决定，综合考虑了端到端的服务质量(QoS)和用户主观因素。其中的服务质量分为视音频媒体压缩方面、视音频同步方面、网络传输性能方面、频道切换时间方面、VoD特技模式方面、元数据方面、内容导航方面、浏览器方面；主观因素则包括资费、移动性、节目库丰富程度、即时性等。这诸多因素中有的具有可客观测量的指标，有的则必须使用主观测量方法来评定，同时，各因素对QoE最终结果的影响程度也不一致，必须要分配以相应的权重。可以看到，现在有关用户体验质量评估方法的研究无一例外都采用了伪主观评价法。在这种方法中要先根据应用特点确定QoE的相应指标，然后找出影响每个评价指标的全部或关键QoS参数，接着准备测试环境、样本、人员进行测试，获取数据，最后筛选数据再利用关系模型从QoS得到QoE。

随着5G技术的普及和家庭宽带技术的发展，网络电影、直播、短视频等网络内容愈发普及，整个互联网中的视频流量占比也逐年增长。QoE可以用来评判各网络视频供应商的服务质量，从而帮助用户选择能带来最佳体验的供应商，也可以让各供应商之间的竞争更趋理性；另一方面可以反过来由特定的QoE值为目标计算相应的网络性能指标，从而帮助供应商选择正确的设备和方法有效提升自身的竞争力。

但是目前绝大多数的视频流量是加密流量，这意味着流量中的载荷内容和传输层都是不可读的，从而对监控视频流量的QoE指标工作造成了很大的困难。数据表明目前全球互联网流量中约60％为加密流量而其中的视频流量占比约为66.7％，并且这一比例还在以极快的速度增长。